Jun, 2022

多模式学习基于注意力机制的知识图谱关系预测

PDF
TL;DR本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型（ÆMP），用于学习知识图谱中实体和关系的语境化表示，并在多个知识图谱基准上获得了大幅度的预测性能提升。
knowledge graphentity embeddingscontextualized representationattention mechanismrelation prediction
发现论文，激发创造
  • 在知识图谱中学习基于注意力机制的嵌入向量以预测关系

    该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。

    Jun, 2019

  • 多个知识图谱嵌入模型上应用注意力的链接预测

    通过结合多种模型的查询表示，用注意力机制选择最合适的模型来回答每个查询，将模型映射到柏克莱球形空间中，以学习关系和结构模式，提供更高的表现力和推断能力，并在各种链接预测基准测试中展开了广泛的实验分析，表明综合模型优于个别模型，包括最先进的方法。

    Feb, 2023

  • 多上下文知识对齐

    该研究提出了 Informed Multi-context Entity Alignment (IMEA) 模型，使用 Transformer 来灵活捕获关系、路径和邻域上下文，并通过综合推理估计对齐概率，通过提出的软标签编辑将对齐证据注入回 Transformer 中，从而提高实体对齐的性能。

    Jan, 2022

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 多视角知识图谱嵌入用于实体对齐

    本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。

    Jun, 2019

  • 基于规则学习的关系模式知识图嵌入的综合研究

    知识图谱嵌入（KGE）是解决知识图谱完成（KGC）任务的有效方法。本文通过对 4 种常见关系模式的性能评估和理论分析，引入了一种无需额外训练的训练无关方法（SPA）来提高 KGE 模型的性能。

    Aug, 2023

  • 学习实体和关系的表征

    本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

    Jan, 2022

  • 基于卷积的知识图谱嵌入的多关系建模

    本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型 ConvMR，我们使用 FB15k-237 和 WN18RR 数据集进行实验，结果表明该模型能够显著提高平均 Rank 和处理不常见实体的效率。

    Oct, 2022

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 基于图匹配神经网络的跨语言知识图谱对齐

    该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。

    May, 2019